Sayfa 21

Teknikerlerin atölyedeki zor bir problemi, atölyenin bağlı olduğu bilgi işlem şebekesinin sistem mühendisi ile telefonda konuşarak çözmeye çalıştığını sık sık görmüşsünüzdür. Mühendis teknikerin yanı başında olsaydı daha iyi olmaz mıydı? Böylece iş ne kadar daha hızlı halledilebilirdi?

Bugün artık gelişkin mikroişlemci tasarımı sayesinde ve yapay zekâdaki YZ ilerlemelerle gittikçe artan miktarda bilgi biriktirilebilmekte ve göreli uzmanların aracılığına gerek duyulmaksızın insanların hizmetine sunulabilmektedir. Bir uzman sistem ile birlikte uzmanların bilgileri teknisyenlere her yerde eşlik edebilir. “Uzman sistem''den kastettiğimiz yıllar boyunca edinmiş olduğu tecrübelerin, bir dizi mantıksal kurala ve bu sayede bir dizi programa tercümesinden ibarettir. Bu bilgisayar programları genelde yapay zekâ uzman sistemleri (Artificial Expert Systems-AIES) olarak adlandırılır. Başlangıçta US uygulamaları, üniversitelerde veya araştırma ve geliştirme çevrelerinde yapılıyordu. Ama artık bu eski araştırmaların çoğu daha kârlı olarak pratik bir şekilde uygulanabiliyor. Kimi özel US uygulamaları sayesinde bilgisayarlar kendi aralarında iletişim kurabiliyorlar. Örneğin: Yerleşim Kontrolü (Konfigürasyon Kontrolü): Uzman sistemler iletişim şebekesinin bileşenlerinin konfigürasyonunu yapmakta kullanılabilir. Örneğin bir şebekeyi tam olarak yerleştirmeden önce istatistik çokdüzeyleyicisinin (statistical multiplexer) terminal hızlarının (terminal speed) belirlenmiş olması, akış kontrolü tutanağının ve arabiriminin tanımlanması ve (trunk) hızının belirlenmesi gerekir. Hata Tespiti (fault isolation): Şebekedeki muhtemel hataların semptomları bilgisayara verilebilir ve en karmaşık problemlerde bile bir uzmanın yaptığı gibi semptomlardan hareketle hatanın kaynağına gidebilir. US, problem çözümünün geri aktarımı (feed-back) ile geliştirilmiş bilgi tabanı (knowledge base) sayesinde sürekli yeni şeyler öğrenir. Seçtiği herhangi bir çözüm yanlış çıktığı takdirde, sistem mühendisi veya programcı o çözümü seçen kuralı değiştirebilir. Böylece US bilgilerini en iyi kaynaktan bir veya daha fazla sayıda uzmanın konu üzerine kazandıkları tecrübelerden elde etmiş olur. Bu makale iletişim şebekesi gerçekleştirmek için kullanılan US'nin fizibilite modelinin yapısına bir göz atmaktadır. Bir prototipin kullanıcı talep problemlerini teşhislerine uygun bir şebeke tasarlamak, şebeke sorunları teşhis etmek gibi yetenekleri vardır.

Şebeke Tasarımı *

İnsan Uzmanların bir şebeke tasarlaması şu evreleri içerir: Kullanıcının Gereksinimleri: Kullanıcının gereksinimleri fizibilite ve tutarlılık açısından gözden geçirilir. Sonuç bir dizi şebeke gereksinimidir. Veri Trafiği Gereksinimleri (requirements): Tasarımcı, gerçekleşebilir istekleri göz önüne alır ve kanal sayısına, veri tipine, veri hızına, kullanım durumuna göre istenen trafiği hesaplar. Şebekenin Topolojisi: Tasarımcı düğümleri (nodes) istenen düğüm yerine (nodal yere) trafiğe veya alternatif yollara göre kurulmuş şebekeye bağlar.

Hat Seçimi: Tasarımcı birbirine bağlanan düğümler (nodlar) arasında en düşük gidere göre seçer. Bu seçim düğümler arasındaki trafik ihtiyaçlarını, düğümlerin yerine ve kaynakların kullanılabilirlik durumuna göre yapılır. Düğüm Gereçlerinin Seçimi: (Modemler, çok düzeyleyiciler, anahtarlar, istatistik çokdüzeyleyicileri vb.) bant genişliğinin (bandwidth) ihtiyaçlarına, fonksiyonel ihtiyaçlara (öncelik anahtarlama protokoller) özel ihtiyaçlara göre seçilir. Tasarımın Sunuluşu: Tasarımcı, tasarımı müşteriye sunar. Bu, gereken servisleri ve birimleri ayrıntılı olarak yazarak, kiralama/satın alma tercihlerinin değişik kombinasyonlarına göre tüm veya aylık çalışma giderlerini hesaplayarak ve bir şebeke diyagramı çizerek yapılır. Tasarım süreci en azından yukarıdaki safhaların tümünü kapsar. Her safhada bir dizi girdi sunulmuştur. Tasarımcı kendi bilgisini ve girdileri sentez edebilen verileri kullanır. Bu süreç bilgisayarda, tasarımcının bilgisini temsil eden bir dizi üretim kuralı (production rule) kullanılarak modelleştirilebilir. Bütün bu girdiler İleriye Zincirleme Çıkarım Tertibatı (forward-chaining inference engine) olarak adlandırılan bir mekanizmaya verilir. Bu, esas olarak veriyle beslenen (data-driven) bir çıkarım mekanizması veya orijinal girdilerden maksimum miktarda malumat ortaya çıkarmak üzere tasarlanmış bir programdır. Girdiler kısa vadeli belleğe depolanır (olgu tabanı); ileri-zincirleme çıkarım tertibatı olguları üretim kurallarına iletir. Eğer bir kural işlerse (fires) -yani bu kural için gereken bütün koşullar doğrulanırsa- bir ek olgu, olgu tabanına yerleştirilir ve yeni olgu tabanı yeniden üretim kurallarına aktarılır. Bu süreç, artık hiçbir kural işlemeyene kadar devam eder. Sonuçta ortaya çıkan olgu tabanı, bilgi tabanından çıkarılan olguları olduğu kadar orijinal girdileri de içerir. Bu çıkarımlar bir sonraki safhayı girdi olarak etkileyebilirler. 1 no.lu tablo bu çıkarım sürecinin işlevsel şemalarını göstermektedir.